FasterRCNN目標檢測實踐紀實

 

首先聲明參考博客：https://blog.csdn.net/beyond_xnsx/article/details/79771690?tdsourcetag=s_pcqq_aiomsg

實踐過程主線參考這篇博客，相應地方進行了變通。接下來記載個人實踐過程。

 

 

1、GPU版的TensorFlow的安裝

準備工做：

筆者電腦是Windows10企業版操做系統，在這以前已經經過Anaconda安裝了python3.5.2和CPU版本的TensorFlow1.12.0。Anaconda就跟普通的軟件同樣，下載完圖形化界面引導式安裝就能夠，不會的百度一大堆，這裏就不說這個了。     筆者也不肯定CPU版TensorFlow和GPU版的TensorFlow能夠並存否，不過據我資料搜索顯示能夠並存，不過，筆者也是初學，爲了安全起見，就決定先卸載掉CPU版的TensorFlow，在Anaconda Prompt中輸入pip uninstall TensorFlow，有時候可能顯示沒有找到或沒法卸載之類的提示，爲了保險，筆者進入Anaconda文件系統內部（筆者的路徑：D:\DevelopmentTools\Anaconda3\Lib\site-packages），手動將TensorFlow和TensorBoard兩個文件夾刪除掉了，也就是說這個徹底能夠手動刪除，但要把相關的刪除乾淨爲好，不必定非得要命令行卸載。    下面開始GPU版TensorFlow的安裝：

一、英偉達（NVIDIA）CUDA和CuDnn的安裝

英偉達顯卡更可能是面向遊戲用戶的，因此並未直接在驅動中內置關於深度學習的組件，因此須要將用於支持深度學習的組件添加進NVIDIA驅動或安裝包，這裏有兩個東西：CUDA和CuDnn。

筆者電腦的GPU是NVIDIA GeForce GTX 1060 with Max-Q Design，因此首先查看下本身的GPU是否支持CUDA功能，若是支持，那麼CUDA和CuDnn不一樣版本選擇和GPU型號沒有關係，主要看其和TensorFlow版本的兼容性，若是版本不兼容，會產生一系列問題，使人琢磨不透，這個仍是要弄清楚纔好。筆者最終選擇的是CUDA9.0和CdDnn9.0，對應選擇的TensorFlow版本是1.10.0。下一步來說TensorFlow安裝

CUDN網盤連接：連接：https://pan.baidu.com/s/1VAw1bMtSyUmJ4Uv7X44MsA      提取碼：mgam

CuDnn網盤連接：連接：https://pan.baidu.com/s/175b0OId84-xbzhq24eAv5w          提取碼：q7ni

CUDN的安裝用cuda_9.0.176_win10.exe就和普通軟件安裝同樣，目錄使用默認的，環境變量自動添加。而後將cuda9.0+cudnn-9.0-windows10-x64-v7.1.zip解壓到一個目錄等待使用便可，以下：

 

 

 

 而後到C盤的NVIDIA安裝文件夾下，C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0，將解壓文件夾下的對應目錄下的文件拷貝進下面目錄下的同名對應文件夾下，以下：

cudnn64_7.dll 拷貝到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin

cudnn 拷貝到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include

cudnn 拷貝到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64

 

 這裏，就完成了GPU端的相關內容。    下面進入TensorFlow的安裝。

 

二、TensorFlow-gpu的安裝

進入Anaconda Prompt命令行下，使用pip install --ignore-installed --upgrade tensorflow-gpu==1.10.0來安裝，會自動下載安裝的。這裏須要注意的是版本號是否兼容，這裏使用的是TensorFlow-gpu-1.10.0和CUDA9.0，其它版本須要查證版本兼容問題，並且這裏安裝會提示不兼容的錯誤的，還有以前如有CPU版TensorFlow可能會有不肯定的問題，我是卸載刪除乾淨以後才進行安裝的。   

 

 三、測試

在命令行中，進入python，並輸入如下代碼：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
輸出：
b’ Hello, TensorFlow!

出現如上界面信息，沒有明顯的異常錯誤信息，就表示TensorFlow-gpu安裝成功。  下面進入FasterRCNN相關內容。

 

 

2、下載並部署FasterRCNN的源碼

代碼GitHub連接：https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5

這裏還有一點，須要安裝cython, python-opencv, easydict三個包，同理，在Anaconda Prompt命令行下，用pip來安裝，若是以有opencv，就不用安裝python-opencv了。

下載完，直接用PyCharm打開便可，

3、數據集

 能夠收集本身的數據，進行標註，使用labelImg-master工具進行標註，按照VOC2007規範化數據圖片及標註結果的xml文件。我這裏將組中集體合做標註的數據集修改了又修改，可是最終仍是沒能正確使用起來，我修改的內容就是那些未被標註的圖片和標註不兼容的圖片，前者是直接將未被標註的圖片和相關文件刪除掉，後者是從新標註。 本身標註的數據集老是有問題，目前尚未解決，以後會更新。

最終使用公有數據集進行訓練，以下：

下載數據集

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
將三個文件同時解壓到VOCdevkit2007目錄下（三個都解壓到一個文件夾下），並將VOCdevkit2007目錄存放於data目錄下
文件名和路徑結構必定要設置對，不然會報錯

而後就用此數據集替換項目代碼中的數據集，以本人的pycharm項目路徑爲例，如：D:\IDE\PyCharm\Project\Faster-RCNN-TensorFlow-Python3.5-master\data\VOCdevkit2007\VOC2007

直接替換便可。

 

4、預訓練模型植入

簡單講，這裏至關於一個遷移學習，由於本身從零開始訓練一個模型很費勁，關鍵是要想訓練出比較準確或者說很準確的模型，那要耗費很高的GPU資源和更多的時間，因此這裏就是運用別人訓練了一部分的一個模型，叫作預訓練模型，選擇Vgg16預訓練模型，下載連接：http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

解壓並更名爲vgg16.ckpt(原來是vgg_16.ckpt)後存放在Faster-RCNN-TensorFlow-Python3.5-master\data\imagenet_weights\目錄下（注：這個imagenet_weights文件夾並不存在，本身新建一個便可），解壓後必定要更名爲vgg16.ckpt 而不是vgg_16.ckpt不然會報錯：

 

5、開始訓練

這時，就能夠運行train.py了，我大約訓練了七八個小時吧，我是凌晨12點睡覺前開始訓練，早上起來就訓練好了，

 

6、運行demo.py

而後運行demo.py，就能夠對文件夾下的六張圖片進行標註並顯示了